Soutenance mémoire
Un champ scientifique en pleine croissance
Dans le chapitre introductif de l’ouvrage « Fluvial Remote Sensing », P.E. Carbonneau et H. Piégay (2012) recensent les nombreux usages de la télédétection appliquée aux rivières et définissent la « télédétection » comme l’acquisition d’informations sur l’état ou la condition d’un objet grâce à des capteurs qui ne sont pas en contact physique avec celui-ci. Ces informations sont généralement représentées sous forme d’images numériques constituées d’une matrice de pixels comportant une ou plusieurs valeurs. Le « pixel » constitue l’élément le plus fin de l’image et représente une portion de la surface sondée. Les valeurs radiométriques des différents pixels sont proportionnelles au rayonnement reçu de cette surface par le capteur. P.E. Carbonneau et H. Piégay (2012) soulignent que la télédétection est largement reconnue aujourd’hui dans ce domaine de recherche et son usage est même de plus en plus fréquent dans les études actuelles. Pourtant, l’usage de la télédétection est récent car les outils d’acquisition disponibles n’ont pas toujours fourni une résolution suffisante pour l’étude des milieux fluviaux. Selon ces mêmes auteurs, le nombre de publications faisant référence à la télédétection en milieu fluvial est croissant au cours du temps. S’il ne concernait qu’une à trois publications par an de 1976 à 1996, il atteignait 37 productions en 2010, dont un numéro complet sur le sujet dans la revue ESPL. Face à l’intérêt croissant de ces techniques dans le domaine fluvial, Carbonneau et Piégay, (2012) proposaient leur ouvrage entièrement consacré au sujet. D’après J. Lejot (2008), la télédétection appliquée aux milieux aquatiques a tout d’abord porté sur le milieu océanique et insulaire, notamment pour l’étude des fonds et des profondeurs. La télédétection peut cependant être appliquée dans le cadre d’un large spectre disciplinaire. Dans le domaine fluvial, elle peut s’appliquer à l’hydraulique, qui vise à décrire des lois physiques liées aux conditions d’écoulement, mais également dans le cadre des sciences humaines qui s’intéressent par exemple aux relations entre les populations riveraines et le milieu fluvial qu’elles appréhendent comme milieu de vie. Ce travail s’intéresse principalement au domaine de la géomorphologie fluviale, c’est-à-dire à l’étude des interactions entre les formes et les processus fluviaux qui les régissent et qui s’expriment à diverses échelles spatiales et temporelles (Charlton, 2008). La télédétection, et en particulier l’imagerie, présente de nombreux avantages pour les travaux en rivières et d’après W. Bertoldi et al. (2012), l’accroissement de l’utilisation des outils de télédétection en rivière a été très important au cours des dernières décennies. W.A. Marcus et M.A. Fonstad (2010) parlaient d’ailleurs de l’émergence d’une nouvelle discipline du champ de la géomorphologie fluviale. Dans le cas de l’imagerie aérienne ou satellite, elle permet notamment d’acquérir grâce à un groupe de clichés, voire sur une seule image, des informations sur tout un linéaire de cours d’eau et donc de s’affranchir d’une prospection de terrain qui représenterait de nombreuses heures de travail. La diversité des types de plateformes existantes permet d’obtenir des combinaisons résolution spatiale/empreinte au sol multiples et adaptées à chaque cas d’étude (Bertoldi et al., 2012). Même sur de courts linéaires, certaines mesures peuvent être laborieuses à acquérir alors que l’imagerie verticale peut donner une vue globale du cours d’eau et ainsi faciliter l’appréhension des distances, longueurs et surfaces. D.J. Gilvear et R. Bryant (2003) donnent l’exemple des cours d’eau de très grande taille comme l’Amazone ou le Brahmapoutre. Les acquisitions aériennes sont le seul moyen d’observer et de quantifier la morphologie globale de ces rivières. Les travaux de T. deCastilho Bertani et al. (2013) ou M. Bertrand et al. (2013) sont des exemples menés à l’échelle régionale par imagerie satellite. Ces nouvelles sources d’information permettent ainsi de renseigner de très grandes surfaces. L’imagerie peut aussi avantageusement remplacer l’intervention d’un opérateur de terrain dans le cas d’un suivi de l’évolution du milieu, ou dans le cas de mesures ou observations en milieux dangereux ou difficiles d’accès, en cas de crue par exemple.
L’application de la télédétection aux milieux fluviaux
Il existe différentes qualités d’image, définies par la résolution spatiale et/ou spectrale, qui offrent diverses possibilités de traitements. D’après P.E. Carbonneau et H. Piégay (2012), la résolution spatiale des images utilisées et les sujets traités sont interdépendants : la détection de vitesses de surface permettant de déterminer les débits, ou le dénombrement de poissons sont par exemple plutôt étudiés par imagerie in situ ; les modèles numériques de terrain (MNT) et les estimations bathymétriques se réalisent sur des images dont la résolution est plutôt supérieure à 1m ; les formes riveraines et l’occupation du sol sont étudiés grâce à des résolutions de l’ordre du mètre, acquises par satellite ou plateforme aéroportée ; l’étude des inondations et les analyses physico-chimiques sont principalement basées sur des résolutions plus grossières. C’est précisément la résolution des images qui a longtemps limité les études à des cours d’eau de taille importante, ceux de petite taille ne pouvant être détectés sur des images dont la résolution était encore trop grossière (Lejot et al., 2011). Mais aujourd’hui, suite à l’amélioration des technologies, les acquisitions satellites atteignent des résolutions spatiales très élevées, et l’imagerie acquise à courte portée (où la distance entre la cible et le capteur est inférieure à 200 m, d’après Smith et Pain, 2009) présente un fort potentiel pour l’acquisition d’images à haute, voire très haute, résolution spatiale. Cette imagerie dite « THR » (très haute résolution) est principalement acquise par vecteurs aériens ou aéroportés (drones ou ULM par exemple) qui sont toujours plus performants et offrent de plus en plus de possibilités pour les études en rivière. Les progrès technologiques concernant les vecteurs d’acquisition d’images ayant été réalisés de manière non homogène, il en a été de même pour les méthodes de traitement d’images qui sont le fait de chercheurs isolés, qui se sont chacun penchés sur leurs propres problématiques (Marcus et Fonstad, 2010). Selon ces auteurs, cette absence de coordination lors du développement de la télédétection fluviale a promu une diversité d’approches et d’applications mais a limité les retours critiques en matière d’applicabilité permettant d’identifier les atouts et les limites de chacune d’elles, les réflexions en matière de généralisation des démarches. Si jusqu’aux années 1990, les moyens techniques constituaient une limite pour le développement de méthodes d’étude des cours d’eau, les innovations technologiques actuelles permettent enfin de répondre aux besoins des chercheurs, et de développer de nouvelles méthodes plus largement applicables. Les observations réalisées sur des images se font encore très généralement par photointerprétation, c’est-à-dire par reconnaissance visuelle des objets de la scène. Mais selon la résolution des images et selon la taille de la scène étudiée, ce travail peut être relativement laborieux et la reconnaissance automatique des objets est de plus en plus souhaitable. L’automatisation permet d’accélérer le processus de traitement et de limiter certains biais liés à l’opérateur. Une telle opération se base sur les propriétés locales de l’image (radiométrie et texture). En même temps qu’apparaissent de nouveaux types de plateformes, de nouveaux algorithmes de traitements des images continuent à être développés. Ainsi, les méthodes classiquement utilisées pour l’étude des cours d’eau telles que les mesures de terrain, qui contraignent les études à quelques éléments ponctuels et ne permettent pas de connaître la gamme globale de variations dans le système, sont complétées, voire suppléées par la télédétection, qui permet des études globales et répétées des milieux, à des résolutions variables (Marcus et Fonstad, 2010).
Résolution spatiale et flexibilité de l’imagerie aérienne
Même si les progrès techniques sont constants, la résolution au sol des images satellites est encore limitée. P.E. Carbonneau et H. Piégay affirmaient en 2012 que les images pour lesquelles la taille des pixels est inférieure au mètre ne concernent que des données panchromatiques. Aujourd’hui, la constellation Pléiade donne accès à des images couleur de 50 cm de résolution, acquises à une fréquence biquotidienne, ce qui ouvre la porte à de nombreuses possibilités d’études. Toutefois, parce que les acquisitions aériennes sont à la fois plus anciennes et qu’elles présentent généralement de meilleures résolutions, elles ont été utilisées plus tôt en rivières. Elles constituent une source de données permettant l’identification relativement aisée des formes fluviales et d’éléments riverains caractéristiques. Et les campagnes d’acquisition aérienne étant anciennes, leur archivage permet de disposer de données historiques souvent très utiles pour l’analyse multitemporelle des corridors fluviaux (Lejot et al., 2011). L’emprise au sol des clichés aériens est conditionnée par l’altitude de vol de la plateforme et la couverture de tout un linéaire de cours d’eau n’est généralement possible que grâce à une mosaïque de clichés, ce qui pose certaines limites, évoquées plus loin (Lejot et al., 2007 ; Lejot, 2008). Cependant, des clichés aériens sont beaucoup moins couteux que des clichés satellites, même si cela est variable selon le type de capteur utilisé (Gilvear et al., 2004). De plus, les plateformes d’acquisition aérienne sont souvent assez flexibles et les campagnes d’acquisition sont totalement programmables. Ainsi, l’horaire, la durée du vol et le nombre de clichés acquis, la zone survolée ainsi que le type de capteur utilisé sont à choisir de manière à optimiser les prises de vue pour l’étude à réaliser. Une plateforme aéroportée n’a pas la même sensibilité aux conditions atmosphériques et météorologiques qu’une plateforme satellite. Cependant, si la qualité des clichés n’est que peu affectée par la couverture nuageuse par exemple, les turbulences liées au vent sont susceptibles de déstabiliser la plateforme et donc de modifier les angles de prise de vue des clichés.
Random forests
L’approche de classification par « random forest » est basée sur celle des « arbres de décision », méthode simple et qui rend l’interprétation des données relativement aisée (James et al., 2013). Cependant, la méthode des arbres de décision n’est pas compétitive avec d’autres approches par apprentissage supervisé en termes de précision de la prédiction. De petites modifications dans les données d’entrainement induisent en effet une grande variance entre les différents arbres, ce qui conduit à de faibles précisions des résultats de classification (Stumpf et Kerle, 2011). Le principe des random forests est de produire de nombreux arbres de décision grâce à des sous-jeux aléatoires formés parmi les données d’entrainement et les variables descriptives disponibles. Chaque arbre représente une voix dans le vote pour l’appartenance de l’objet/pixel à l’une des classes. La classe affectée à l’objet/pixel est alors simplement celle qui obtient la majorité des voix. Un tel ensemble présente des performances précises et robustes.
|
Table des matières
Introduction générale
Chapitre I : Télédétection et caractérisation biophysique des rivières
I- Télédétection appliquée au domaine fluvial
I.1- Un champ scientifique en pleine croissance
I.2- L’acquisition d’images : quelques notions de base
I.2.1- Des vecteurs et des capteurs
I.2.1.a- Vecteurs
I.2.1.b- Capteurs
I.2.2- Quantités mesurées
I.3- L’application de la télédétection aux milieux fluviaux
I.4- Des potentialités fonction des vecteurs d’acquisition
I.4.1- Supports satellites et aéroportés
I.4.1.a- Couverture au sol de l’imagerie satellite
I.4.1.b- Résolution spatiale et flexibilité de l’imagerie aérienne
I.4.1.c- Limites des acquisitions aéroportées et satellites
I.4.2- Acquisitions in situ
I.4.2.a- Suivi des processus à haute résolution temporelle
I.4.2.b- Une résolution spatiale élevée
I.4.2.c- Complexité des mesures de terrain et acquisitions continues
I.4.3-Exemples d’études menées en télédétection fluviale
II- Traitements d’images appliqués à l’étude des cours d’eau
II.1- Analyse visuelle des images
II.1.1- Photo-interprétation et qualité des données
II.1.1.a- Résolution spatiale
II.1.1.b- Résolution spectrale
II.1.2- Calculs et transformation des données
II.1.2.a- Indices spectraux
II.1.2.b- Changement d’espace colorimétrique
II.1.3- Limites humaines de la photo-interprétation
II.2- Exploitation du signal radiométrique
II.2.1- Signature spectrale des objets
II.2.2- Gradients lumineux et absorption
II.3- Etude de la texture
II.3.1- Matrice de cooccurrence
II.3.2- Indices de texture
II.3.3- Exploitation de la texture en traitement d’images
II.4- Classification automatique des images
II.4.1- Méthodes orientées-pixels ou orientées-objets
II.4.2- Apprentissage supervisé et non supervisé
II.4.2.a- Random forests
II.4.2.b- Support Vector Machine (SVM)
II.5- Détection automatique d’objets
II.5.1- Traitements classiques
II.5.2- Avantages de la vidéo
II.5.3- Méthode LSPIV
III- Etude des milieux fluviaux par imagerie in situ
III.1- Description et évolution d’un environnement fluvial
III.1.1- Description des formes fluviales
III.1.2- Elaboration de modèles numériques de terrain
III.1.3- Estimation de la bathymétrie
III.1.4- Caractérisation de la granulométrie et de la morphométrie
III.1.5- Analyse de la température
III.2- Mesures diachroniques, suivi temporel à pas de temps fins
III.2.1- Connaissance et évolution des processus fluvio-glaciels
III.2.2- Estimation des flux de bois et budget ligneux
III.2.3- Mesure de la vitesse d’écoulement de surface par LSPIV (Large Scale Particule Image Velocimetry)
III.2.4- Présence de biofilm
III.2.5- Erosion des berges par processus subaériens
IV- Contraintes et limites de l’imagerie pour l’étude des cours d’eau
IV.1- Résolution spatiale
IV.1.1- Résolution des images et taille des objets étudiés
IV.1.2- Le cas des pixels mixtes
IV.2- Traitements optiques des images
IV.2.1- Calibration
IV.2.1.a- Paramètres et modèles de calibration
IV.2.1.b- Méthodes de calibration
IV.2.2- Orthorectification et géoréférencement
IV.2.2.a- Orthorectification
IV.2.2.b- Géoréférencement
IV.3- Condition atmosphériques
IV.4- Variabilité des conditions lumineuses
IV.5- Ripisylve et ombres portées
IV.5.1- La ripisylve, un obstacle à la lumière
IV.5.2- Impact des ombres sur la radiométrie des images
IV.5.3- Traitement des ombres
IV.6- Surface de l’eau et formation de reflets
IV.6.1- Réfraction des rayons lumineux
IV.6.2- Réflexion des rayons lumineux
IV.7- Automatisation des traitements
IV.7.1- Une nécessité dans un contexte spatial et temporel de plus en plus étendu
IV.7.2- Des tests prometteurs
IV.7.3- Des limites qui persisteront
V- Conclusion du chapitre I
Chapitre II : Questionnements scientifiques, méthodologie générale et sites d’étude
I- Questionnements scientifiques et méthodologie
I.1- Questionnements scientifiques
I.2- Protocole méthodologique général
I.3- Sites d’étude, capteurs, tests réalisés et objets étudiés
1.3.1- Sites d’étude et capteurs utilisés
1.3.2- Objets d’étude et types de traitements : réflexion théorique sur la méthode élaborée
1.3.2.a- Milieux observés
1.3.2.b- Eléments étudiés : objets caractérisés au cours du temps
1.3.2.c- Types de suivis et procédures mises en place
1.3.3- Tests réalisés
II- Sites d’études : contexte opératoire et données utilisées
II.1- Site de Génissiat (Rhône, France)
II.1.1- Localisation du capteur et contexte de l’installation
II.1.2- Variables d’intérêt
II.1.2.a- Accumulations de bois dans la retenue du barrage
II.1.2.b- Bassin versant du Rhône en amont de Génissiat et données hydrologiques
II.2- Site de Mollon (Ain, France)
II.2.1- Localisation du capteur et contexte de l’installation
II.2.2- Variables d’intérêt
II.1.2.a- Hauteur d’eau sous la caméra
II.1.2.b- Données météorologiques et campagnes de balayage
II.3- Site de Francheville (Yzeron, France)
II.4- Site de la fosse Home (Saint-Jean) et site de Sainte-Angèle-de-Merici (Mitis), Québec
II.4.1- Site de la fosse Home
II.4.2- Site de Sainte-Angèle
Chapitre III : Acquisition des images et préparation des données
I- Conception d’une installation pour l’acquisition d’images
I.1- Recommandations concernant la conception de l’installation
I.1.1- Choix du site d’étude et du support du capteur
I.1.2- Choix du capteur
I.1.3- Configuration de l’installation
I.2- Remarques relatives à l’acquisition des images
I.2.1- Cadres légaux en France et au Québec
I.2.1.a- Installation de capteurs
I.2.1.b- Acquisition et exploitation d’images
I.2.2- Fréquence d’acquisition
I.2.3- Résolution spatiale des images
I.3- Retours d’expériences sur l’utilisation d’un filtre polarisant
I.3.1- Principe optique du filtre polarisant
I.3.2- Evaluation de l’effet d’un filtre polarisant sur la Mitis à Sainte-Angèle
I.3.3- Discussion des résultats du test et recommandations
II- Evaluation de la variabilité inter- et intra-journalière comme préalable à la sélection des images à traiter
II.1- Effet des ombres et de la luminosité sur l’observation d’éléments à la surface de l’eau
II.2- Effet de la date, de l’heure et des conditions environnementales sur l’observation d’éléments sur le fond du cours d’eau : tests réalisés sur l’Ain
II.2.1- Méthodologie
II.2.2- Facteurs limitant la visibilité du fond par imagerie
II.2.2.a- Proportion relative des différents facteurs limitant la visibilité du fond
II.2.2.b- Impact de la hauteur d’eau sur la visibilité du fond
II.2.2.c- Impact de la période d’acquisition sur la visibilité du fond
• Heure
• Mois
II.2.2.d- Impact des conditions météo (insolation et nébulosité) sur la visibilité du fond
• Insolation
• Nébulosité
II.2.3- Conclusions du test et recommandations
II.3- Effet de la fréquence d’échantillonnage sur les variabilités inter- et intra-journalières du signal extrait : test réalisé à Génissiat
II.3.1- Méthodologie
II.3.2- Variabilités intra- et inter-journalières de la surface de bois détectée
II.3.3- Conclusions du test et recommandations
III- Définition de la zone d’étude (Region Of Interest, ROI)
III.1- Extraction de certaines zones en vue de l’amélioration du traitement
III.1.1- Application d’un masque aux images
III.1.2- Réflexion des éléments riverains sur la surface de l’eau : l’exemple de Génissiat
III.2- Evaluation de l’effet de la réduction de la ROI sur une image oblique
III.2.1- Méthodologie
III.2.2- Impact des cellules distantes sur la précision des résultats
III.2.3- Conclusions du test et recommandations
IV- Conclusion du chapitre III : éléments à retenir
Chapitre IV : Extraction et traitement du signal
I- Classification automatique des images
I.1- Principes de la classification automatique et outils de classification
I.1.1- Les étapes de la classification automatique
I.1.2- Classification orientée pixel ou classification orientée objet
I.1.3- Procédures avec apprentissage supervisé ou non supervisé
I.1.4- Outils statistiques de la classification automatique
I.1.5- Evaluation de la qualité de la classification automatique
I.2- Extraction des descripteurs
I.2.1- Nombre de paramètres à extraire
I.2.2- Choix des paramètres à extraire
I.3- Segmentation des images
I.3.1- Principe et intérêt de la segmentation
I.3.2- Segmentation automatique des images acquises à Génissiat
I.3.3- Segmentation des images selon une grille orthogonale
I.4- Constitution des échantillons d’observés, d’apprentissage et de validation
I.4.1- Echantillon d’observés
I.4.1.a- Nombre d’images étiquetées à dire d’expert
I.4.1.b-Mode de sélection des images
I.4.2- Echantillon d’apprentissage
I.4.2.a- Proportion de l’échantillon d’observés à sélectionner
I.4.2.b- Mode de sélection des individus
I.4.3- Réflexion sur la représentativité des échantillons
I.5- Phase de classification à dire d’expert
I.5.1- Nombre de classes à utiliser
I.5.1.a- Exemple d’une classification binaire
I.5.1.b- Exemple d’une classification plus complexe
I.5.2- Test comparatif de divers modes de gestion des éléments mixtes
I.5.2.a- Méthodologie mise en place
I.5.2.b- Résultats du test
I.5.2.c- Conclusions et recommandations
II- Post-traitement du signal
II.1- Opérations sur les bandes spectrales
II.1.1- Ratios et différences entre bandes spectrales
II.1.2- Test de la détection de l’effet d’un balayage sur l’évolution de la radiométrie du fond à Mollon (Ain)
II.1.2.a- Méthodologie
II.1.2.b- Résultats du test
II.1.2.c- Conclusions du test et recommandations
II.2- Orthorectification des images
II.2.1- Calcul de la résolution spatiale des images suite à l’orthorectification
II.2.2- Test illustant le lien entre répartition de la taille des pixels et forme de la ROI
II.2.2.a- Méthodologie
II.2.2.b- Résultats du test
II.2.2.c- Conclusions du test et recommandations
II.2.3- Test illustrant l’impact de la classification des éléments mixtes dans l’estimation des surfaces
II.2.3.a- Méthodologie
II.2.3.b- Résultats du test
II.2.3.c- Conclusion et recommandations
II.2.4- Test illustrant l’importance de la résolution des données pour la qualité des résultats
II.2.4.a- Méthodologie
II.2.4.b- Résultats du test
II.2.4.c- Conclusions et recommandations
II.3- Conversion des surfaces occupées par un objet en volume ou en masse
II.3.1- Principe de la conversion
III.3.2- Exemple de la conversion des surfaces de bois en volumes de bois prédits sur les images acquises à Génissiat
III.3.2.a- Méthodologie de conversion des données
III.3.2.b- Résultats de la conversion
III.3.2.c- Remarques concernant la méthode présentée
III- Conclusion de ce chapitre : éléments à retenir
Chapitre V : Exploitation des images
I- Evolution du signal et interprétation des résultats
I.1- Confrontation du signal à des données complémentaires
I.2- Analyses du signal après transformation des variables
II- Evolution des types de glace présents sur la Saint-Jean (Québec) au cours de l’hiver 2010-201
II.1- Méthodologie
II.2- Résultats et interprétations
II.3- Remarques et conclusions sur l’étude de la dynamique d’un couvert glaciel par imagerie in situ
III- Impact des campagnes de balayage du fond du cours d’eau sur la relation entre hauteur d’eau et radiométrie des images sur l’Ain à Mollon
III.1- Principe et méthodologie
III.2- Résultats et interprétation
III.2.1- Confrontation des séries temporelles de valeurs radiométriques et de débits
III.2.2- Corrélation entre hauteur d’eau et moyennes des valeurs radiométriques
III.2.2.a- Dans la zone balayée
III.2.2.b- Dans la zone centrale des images
III.3- Remarques et conclusion
IV- Estimation du flux de bois produit par le bassin versant du Rhône par observation des accumulations de bois dans la retenue du barrage de Génissiat (Rhône)
IV.1- Méthodologie
IV.2- Résultats et interprétation
IV.2.1- Des quantités de bois corrélées aux séries hydrologiques
IV.2.1.a- Mise en évidence de tendances globales
IV.2.1.b- Mise en évidence de tendances à une échelle plus fine
IV.2.1.c- Limites induites par la classification automatique
IV.2.1.d- Des facteurs externes qui affectent les prédictions des quantités de bois
IV.2.2- Rôle des différentes crues sur les quantités de bois prédites
IV.2.2.a- Des crues aux impacts variables dans le temps
IV.2.2.b- Des apports de bois variant en fonction de l’origine géographique des crues
IV.3- Remarques et conclusions
Conclusion générale et perspectives
I- Synthèse des principaux résultats obtenus
II- Etude des milieux fluviaux par imagerie in situ : mise en évidence et mesures de différentes temporalités
III- Recommandations en matière d’acquisition d’images in situ pour étudier les milieux fluviaux
IV- Perspectives de travail
Références bibliographiques
Références numériques
Télécharger le rapport complet
